tensorflow之RNN

一、概念

循环神经网络（Recurrent Neural Network，RNN）:

它能结合数据点之间的特定顺序和幅值大小等多个特征，来处理序列数据。更重要的是输入序列可以是任意长度的。

RNNs的目的是用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能为力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网络，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。下图便是一个典型的RNN：

二、代码

1. from tensorflow.examples.tutorials.mnist import input_data  
2. mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)  
3. import tensorflow as tf  
4. import numpy as np  
5. from tensorflow.contrib import rnn  
6.   
7. ''''' 
8. MNIST的数据是一个28*28的图像，这里RNN测试，把他看成一行行的序列（28维度（28长的sequence）*28行） 
9. '''  
10.   
11. # RNN学习时使用的参数  
12. learning_rate = 0.001  
13. training_iters = 100000  
14. batch_size = 128  
15. display_step = 10  
16.   
17. # 神经网络的参数  
18. n_input = 28  # 输入层的n  
19. n_steps = 28  # 28长度  
20. n_hidden = 128  # 隐含层的特征数  
21. n_classes = 10  # 输出的数量，因为是分类问题，0~9个数字，这里一共有10个  
22.   
23. # 构建tensorflow的输入X的placeholder  
24. x = tf.placeholder("float", [None, n_steps, n_input])  
25. # tensorflow里的LSTM需要两倍于n_hidden的长度的状态，一个state和一个cell  
26. # Tensorflow LSTM cell requires 2x n_hidden length (state & cell)  
27. istate = tf.placeholder("float", [None, 2 * n_hidden])  
28. # 输出Y  
29. y = tf.placeholder("float", [None, n_classes])  
30.   
31. # 随机初始化每一层的权值和偏置  
32. weights = {  
33.     'hidden': tf.Variable(tf.random_normal([n_input, n_hidden])),  # Hidden layer weights  
34.     'out': tf.Variable(tf.random_normal([n_hidden, n_classes]))  
35. }  
36. biases = {  
37.     'hidden': tf.Variable(tf.random_normal([n_hidden])),  
38.     'out': tf.Variable(tf.random_normal([n_classes]))  
39. }  
40.   
41. #构建RNN  
42. def RNN(_X, _istate, _weights, _biases):  
43.      # 规整输入的数据  
44.     _X = tf.transpose(_X, [1, 0, 2])  # permute n_steps and batch_size  
45.   
46.     _X = tf.reshape(_X, [-1, n_input])  # (n_steps*batch_size, n_input)  
47.     # 输入层到隐含层，第一次是直接运算  
48.     _X = tf.matmul(_X, _weights['hidden']) + _biases['hidden']  
49.     # 之后使用LSTM  
50.     #lstm_cell = rnn_cell.LayerNormBasicLSTMCell(n_hidden, forget_bias=1.0)  
51.     lstm_cell = rnn.BasicLSTMCell(n_hidden,state_is_tuple=False)  
52.     # 28长度的sequence，所以是需要分解位28次  
53.     _X = tf.split(_X, n_steps, 0)  # n_steps * (batch_size, n_hidden)  
54.     #x = tf.split(x, n_steps, 0) # tf.split(value, num_or_size_splits, axis) versions > 0.12.0  
55.     # 开始跑RNN那部分  
56.     outputs, states = rnn.static_rnn(lstm_cell, _X, initial_state=_istate)  
57.     #rnn.rnn.dynamic_rnn()  
58.     return tf.matmul(outputs[-1],_weights['out']) + biases['out']  
59.   
60. pred = RNN(x, istate, weights, biases)  
61.   
62. # 定义损失和优化方法，其中算是为softmax交叉熵，优化方法为Adam  
63. cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))  # Softmax loss  
64. optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)  # Adam Optimizer  
65.   
66. # 进行模型的评估，argmax是取出取值最大的那一个的标签作为输出  
67. correct_pred = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))  
68. accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))  
69.   
70. # 初始化  
71. init = tf.initialize_all_variables()  
72.   
73. # 开始运行  
74. with tf.Session() as sess:  
75.     sess.run(init)  
76.     step = 1  
77.     # 持续迭代  
78.     while step * batch_size < training_iters:  
79.         # 随机抽出这一次迭代训练时用的数据  
80.         batch_xs, batch_ys = mnist.train.next_batch(batch_size)  
81.         # 对数据进行处理，使得其符合输入  
82.         batch_xs = batch_xs.reshape((batch_size, n_steps, n_input))  
83.         # 迭代  
84.         sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys,  
85.                                        istate: np.zeros((batch_size, 2 * n_hidden))})  
86.         # 在特定的迭代回合进行数据的输出  
87.         if step % display_step == 0:  
88.             # Calculate batch accuracy  
89.             acc = sess.run(accuracy, feed_dict={x: batch_xs, y: batch_ys,  
90.                                                 istate: np.zeros((batch_size, 2 * n_hidden))})  
91.             # Calculate batch loss  
92.             loss = sess.run(cost, feed_dict={x: batch_xs, y: batch_ys,  
93.                                              istate: np.zeros((batch_size, 2 * n_hidden))})  
94.             print ("Iter " + str(step * batch_size) + ", Minibatch Loss= " + "{:.6f}".format(loss) + \  
95.                   ", Training Accuracy= " + "{:.5f}".format(acc) )
96.         step += 1  
97.     print ("Optimization Finished!") 
98.     # 载入测试集进行测试  
99.     test_len = 256  
100.     test_data = mnist.test.images[:test_len].reshape((-1, n_steps, n_input))  
101.     test_label = mnist.test.labels[:test_len]  
102.     print ("Testing Accuracy:", sess.run(accuracy, feed_dict={x: test_data, y: test_label,  
103.                                                              istate: np.zeros((test_len, 2 * n_hidden))}) )

三、代码解释

class tf.contrib.rnn.BasicLSTMCell

BasicLSTMCell是最简单的一个LSTM类， lstm=rnn.BasicLSTMCell(lstm_size,forget_bias,state_is_tuple)

Args:

lstm_size :LSTM Cell 个数

说明：lstm_size是指一个Cell中神经元的个数，并不是循环层的Cell个数。循环层的Cell数目由如下代码中的time_step_size确定（X_split中划分出的arrays数量为循环层的CEll个数）：

X_split=tf.split(XR,time_step_size,0)

以相邻的时间步分割批数据，RNN会同时从不同位置开始训练时间序列：在示例中分别从4到6、从16到18和从28到30.

在时间序列数据中，在三个位置同时开启训练，所以在前向传播时需要保存三个状态。